opencv - 使用不同参数测试我的 SVM 模型会产生完全相同的结果

Question

我的目标是使用具有 HOG 特征的 SVM 对交通中的轿车和 SUV 下的车辆进行分类。

我使用了各种内核(RBF、LINEAR、POLY)，每个内核都会给出不同的结果，但无论参数如何更改，它们都会给出相同的结果。例如，如果我使用 POLY 内核并且度数大于或等于 .65，它将把所有东西都归类为 SUV，如果它小于 .65，那么它将把我所有的测试图像归类为轿车。

使用 LINEAR 内核时，唯一改变的参数是 C。无论参数 C 是什么，我总是得到 8/10 的图像被分类为轿车，同样的 2 个图像被分类为 SUV。

现在我只有大约 70 张训练图像和 10 张测试图像，我无法从后面和上面找到一个好的车辆数据集，就像我将使用它的桥梁一样。问题可能是由于这个小数据集、参数或其他原因造成的吗？另外，我看到我的支持向量通常非常高，比如 70 张训练图像中的 58 张，所以这可能是数据集的问题？有没有办法让我以某种方式可视化训练点——在 SVM 示例中，它们总是有一个很好的二维点图并通过它画一条线，但是有没有办法用图像绘制这些点，这样我就可以看看是否我的数据是线性可分的并相应地进行调整？对于 150x200 的汽车图像，我的 HOG 参数是否准确？

另请注意，当我使用与训练图像相同的测试图像时，SVM 模型可以完美预测，但显然这是作弊。

下图显示了结果，以及一个测试图像的例子

这是我的代码，我没有包含大部分代码，因为我不确定代码是否有问题。首先，我获取正图像，提取 HOG 特征，然后将它们加载到训练垫中，然后以与包含的测试部分相同的方式对负图像执行相同的操作。

    //Set SVM Parameters (not sure about these values, but just wanna see something)
Ptr<SVM> svm = SVM::create();
svm->setType(SVM::C_SVC);
svm->setKernel(SVM::POLY);
svm->setC(50);
svm->setGamma(100);
svm->setDegree(.65);
//svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));

cout << "Parameters Set..." << endl;

svm->train(HOGFeat_train, ROW_SAMPLE, labels_mat);

Mat SV = svm->getSupportVectors();
Mat USV = svm->getUncompressedSupportVectors();

cout << "Support Vectors: " << SV.rows << endl;
cout << "Uncompressed Support Vectors: " << USV.rows << endl;

cout << "Training Successful" << endl;

waitKey(0);

//TESTING PORTION

cout << "Begin Testing..." << endl;

int num_test_images = 10;
Mat HOGFeat_test(1, derSize, CV_32FC1); //Creates a 1 x descriptorSize Mat to house the HoG features from the test image

for (int file_count = 1; file_count < (num_test_images + 1); file_count++)
{

    test << nameTest << file_count << type;     //'Test_1.jpg' ... 'Test_2.jpg' ... etc ...
    string filenameTest = test.str();
    test.str("");

    Mat test_image = imread(filenameTest, 0);           //Read the file folder

    HOGDescriptor hog_test;// (Size(64, 64), Size(32, 32), Size(16, 16), Size(32, 32), 9, 1, -1, 0, .2, 1, 64, false);
    vector<float> descriptors_test;
    vector<Point> locations_test;

    hog_test.compute(test_image, descriptors_test, Size(64, 64), Size(0, 0), locations_test);

    for (int i = 0; i < descriptors_test.size(); i++)
        HOGFeat_test.at<float>(0, i) = descriptors_test.at(i);

    namedWindow("Test Image", CV_WINDOW_NORMAL);
    imshow("Test Image", test_image);

    //Should return a 1 if its an SUV, or a -1 if its a sedan
    float result = svm->predict(HOGFeat_test);

    if (result <= 0)
        cout << "Sedan" << endl;
    else
        cout << "SUV" << endl;

    cout << "Result: " << result << endl;

    waitKey(0);
}

Answer 1

有两件事解决了这个问题:

1) 我得到了一个更大的车辆数据集。我在训练部分使用了大约 400 张 SUV 图像和 400 张轿车图像，然后在测试部分使用了另外 50 张图像。

2) 在:Mat HOGFeat_test(1, derSize, CV_32FC1) 中，我将错误的 derSize 大了大约一个数量级。实际大小是 15120，但我让 Mat 有 113400 列。因此，我只用有用的特征数据填充了大约 10% 的测试垫，因此 SVM 很难分辨 SUV 和轿车之间的任何区别。

现在它适用于线性核和多核核 (C = 10)，而且我的准确率比我预期的要好，高达 96%。